數字圖像處理論文
前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇數字圖像處理論文范文，相信會為您的寫作帶來幫助，發(fā)現更多的寫作思路和靈感。
數字圖像處理論文范文第1篇
（1. 武警工程大學 信息工程系，陜西 西安 710086；2. 武警工程大學 電子技術系，陜西 西安 710086）
摘 要：針對數字圖像處理課程基礎理論抽象、實用性強的特點，分析和探討該課程教學中存在的若干問題及原因，從師資力量建設、課程標準制定、教學方法與設計、考核方法4個方面闡述數字圖像處理課程的教學優(yōu)化改革方案。
關鍵詞 ：數字圖像處理；教學優(yōu)化改革；師資力量；課程標準
基金項目：全軍學位與研究生教育研討會研究課題“軍隊院校研究生教育中的導師與研究生關系研究”（YJZX14C14）。
第一作者簡介：孔韋韋，男，講師，研究方向為圖像處理，kwwking@163.com。
0 引 言
數字圖像處理[1-2]是信息處理領域的重要分支，通過該課程我們可以完成圖像的幾何變換、算術處理、圖像增強、圖像復原、圖像重建、圖像編碼、模式識別、圖像理解等多個方面的工作。目前，隨著計算機軟硬件處理能力的不斷提升，數字圖像處理技術已被廣泛應用于醫(yī)學檢測、反恐處突、彈道導彈精確制導等多個軍（民）用領域。由于該門課程的特殊地位和廣泛應用，國內外幾乎所有信息類專業(yè)都開設了該課程，許多專家、學者也針對課程的教學方式提出了自己的觀點[3-8]。
軍隊院校作為高等院校中的一類特殊群體，無論在課程設置還是人才培養(yǎng)需求上均與地方高等院校有很大的不同。軍隊院校自身的特殊屬性要求培養(yǎng)出的人才不僅要有扎實的理論基礎和科研能力，還能運用這些知識對作戰(zhàn)以及日常訓練中出現的問題加以解決，因此，軍隊院校對人才的理論與實踐結合能力提出了更高也更為嚴格的要求。
武警部隊負責維護國家安全和社會穩(wěn)定，有效打擊國內外各種恐怖勢力，保障人民安居樂業(yè)。當前，世界各國都將“反恐”作為維護國家穩(wěn)定和保衛(wèi)人民生命財產安全的一項重要任務。反恐圖像目標的識別和監(jiān)視能力更體現了一個國家的反恐技術力量和能力水平，其關鍵在于反恐圖像目標的識別。因此，有效地將數字圖像處理技術應用于反恐處突領域，不僅有助于提升針對恐怖勢力的打擊力度，還可以有效減少傷亡，最大限度地保障國家和人民的生命財產安全。
1 數字圖像處理課程的特點
數字圖像處理課程主要有以下幾個特點：①理論基礎要求高，涉及高等數學、信號與信息系統(tǒng)、信息論、計算機編碼等多個領域的知識；②數字圖像處理課程覆蓋的內容廣泛，知識點繁雜零碎；③新興理論的不斷出現要求廣大學者能夠敏銳把握數字圖像處理技術的發(fā)展前沿；④數字圖像處理技術的應用領域不斷拓展，處理方法也更為復雜。
2 軍隊院校數字圖像處理課程教學中存在的問題
2.1 課程設置不靈活
相比地方高等院校，軍隊院校的課程設置自由度十分受限，具體體現為課程的教學內容、學時安排、課堂組織形式甚至是開課時間均有嚴格的規(guī)定和限制，不能根據學生理論基礎和學習能力的實際情況做自適應的調整。
盡管研究生有自己的導師和研究方向，且很多研究生日后學位論文的研究方向可能與數字圖像處理領域并無關聯，然而，由于許多信息類專業(yè)院校的研究生培養(yǎng)方案均嚴格限定該課程為學位必修課，導致一些研究生為了學分和學位只得選擇一門與自己研究領域完全無關的課程，無形中造成了教學資源的浪費。
2.2 課時少內容多
數字圖像處理課程是國內外幾乎所有信息類專業(yè)的必修課。地方高等院校通常會開設50個學時，而軍隊院校大多只開設40學時，有的學校甚至只將其作為學位選修課開設20學時。眾所周知，該課程涉及的教學內容非常繁雜且對相關課程的理論基礎提出了較高要求，這類課程即使安排50學時也很難將重點內容講授完畢，軍隊院校課程課時不足無疑對該課程的教學質量造成重大影響。
2.3 教學形式單一
軍隊院校的特殊屬性在一定程度上約束了課堂多種教學形式的存在與發(fā)展，傳統(tǒng)的教師主體式教學法是主流。這種過于單一和機械的教學形式將對研究生的學習積極性造成不利影響。另外，軍隊中上下等級關系往往扼殺了研究生質疑教師的勇氣和可能，使研究生不敢對教師的見解有所質疑，不敢擅自踏入教師未首肯的領域中積極主動地發(fā)現問題、分析問題和解決問題，導致研究生的學習完全處于被動境地。
3 教學優(yōu)化改革
3.1 師資力量建設
數字圖像處理課程專業(yè)性強、理論難度大，涉及的基礎學科門類較多，因此，在條件允許的情況下應盡可能安排科研方向或理論研究方向屬于圖像處理領域的教師擔任任課老師。一方面，長期從事該領域的教師對課程的基本內容和理論了如指掌，基本功非常扎實，授課更為流暢、自然；另一方面，教材中介紹的只是圖像處理領域的基礎理論和經典模型，長期從事該領域研究的老師在研究過程中往往對課程中的概念及理論模型有更深刻的理解，在授課過程中必然會附帶介紹本人在該領域內的研究現狀和最新進展，有利于開闊研究生視野，激發(fā)學習興趣，提高授課質量。
3.2 課程標準的制定
結合軍隊院校課時不足的教學實際以及人才培養(yǎng)類型的定位需求，我們完全有必要重新制定數字圖像處理課程的教學標準，在保證理論系統(tǒng)性完整的基礎上，側重實踐能力以及解決實際問題能力的培養(yǎng)和提升。具體措施如下：①教學對象精確定位，扭轉以往研究生課程頻頻出現的“被選課”現象，切實保障“選修權”，允許研究生按照自己學位論文的研究需求選課；②由于學時有限，在制定課程標準時必須全面分析和研究教學內容，梳理與課程內容相關的知識目標、技能目標和素質目標，適當地刪減一些非重點內容，重新劃分各章節(jié)的學時；③數字圖像處理雖然是一門理論性很強的課程，但學習的最終目的還是應用，因此，在制定課程標準時必須為研究生學員留有一定的實踐操作以及課堂研討課時；④要反映部隊特色，在授課過程中重點介紹能夠直接應用于部隊實際的模型和方法，譬如模式識別、圖像理解版塊，并要求研究生動手實踐；⑤緊跟發(fā)展前沿，保持知識的先進性，充分利用網絡資源，以完善的學習資料、豐富的課程資源、真實的實踐環(huán)境作為課程的基礎和支撐。
3.3 教學方法與設計
結合課程標準，我們擬將整個教學過程分解為4個階段：①基本理論講授；②專題討論；③專題講座；④實踐操作。
3.3.1 基本理論講授
教師對教學內容中的基本理論加以講解，旨在為研究生掃清基本理論障礙。該部分的講解并非只是對課本內容的簡單復制和重申，而是在介紹基本理論的基礎上，對基本概念中涉及的各層次知識點和潛在疑問加以梳理和闡釋，為下一階段的專題討論做鋪墊。該階段以教師講授為主體，采取案例式教學和啟發(fā)式教學相結合的授課方式。
3.3.2 專題討論
所謂專題討論，就是基于教師先前講授的某一個或某一類基本理論，探討具體應用效果以及可能影響最終圖像處理效果的若干因素。這一環(huán)節(jié)將徹底打破經典教學模式中的“教師主體”模式，轉變?yōu)椤敖處煷_定討論范圍—研究生為討論主體—教師最后總結”的模式。在整個過程中，教師和研究生的角色完全轉換，由研究生基于自身掌握的知識充分發(fā)揮自己的想象，針對若干問題展開探討或者辯論。譬如，教師在探討前先介紹圖像去噪理論的相關知識，包括噪聲產生的原理、噪聲的種類、噪聲在圖像中的表現、幾類經典圖像去噪方法等，上述部分內容講授完畢后確定3個問題，即均值去噪和中值去噪方法的原理有何不同？各自的優(yōu)缺點何在？各自在去噪過程中可能影響最終效果的因素有哪些？下一次課教師可安排專題討論，并將研究生在討論中的表現作為課程成績的一項重要依據。
在該門課程課代表的組織下，研究生被分成若干小組，大家利用課余時間分別對兩種去噪方法展開了深入研究，并通過Matlab軟件仿真驗證，記錄諸如峰值信噪比PSNR等相關指標值，初步得出可能會影響最終去噪效果的若干因素；幾位同學針對一些不太一致的觀點展開激烈的討論；最后，由教師進行內容總結和答疑解惑，一些研究生還對教師的某些結論提出質疑。
專題討論完畢后，教師和研究生普遍感覺以往枯燥又不合時宜的教學方法得到了徹底改變，研究生內心的求知熱情得到了極大的激發(fā)。此外，整個專題討論過程也鍛煉了他們的邏輯思維，為了說服“對手”，他們必須要找到支撐自己觀點的科學依據，包括權威論壇上的答疑解惑以及仿真軟件仿真出來的實際結果等。有了這些證據后，他們還要對數據進行分析研究、組織語言、理清思路，而在以往的教學模式下，研究生并不會主動花費時間查找資料，教師由于課時的關系也不可能對每一種理論都進行仿真演示。
3.3.3 專題講座
擔任數字圖像處理課程任務的教師必須從事圖像處理領域研究，因此，在教學過程中，適時安排1~2次專題講座，由任課教師將自己在本領域的研究成果或是研究體會以講座的形式向研究生進行報告。在講座過程中，教師將從一個較高的層次，把一些新的內容介紹給研究生，同研究生一起分享圖像處理領域最新的發(fā)展動態(tài)和研究成果，開拓研究生的視野，為研究生動態(tài)更新最新的前沿知識。另一方面，由于課程標準制定過程中教學對象已實現了精確定位，凡是選修數字圖像處理課程的研究生日后均要從事該領域的研究，因此專題講座的開展也在一定程度上為研究生日后的學位論文撰寫提供靈感和研究方向。顯然，專題講座是課程教學強大而又有益的補充。
3.3.4 實踐操作
由教師從教學內容中選取若干重難點且與部隊作戰(zhàn)（訓練）密切關聯的內容，交由研究生自行仿真實現，記錄主客觀評價指標數值，對仿真結果進行比較與分析，并得出結論；對仿真結果中的不足展開討論，給出可能的解決方案。顯然，該階段側重課程標準中“反映部隊特色”的宗旨，要求學員學以致用，切實將書本中的理論知識運用到部隊實際中，為部隊服務，提高作戰(zhàn)能力，體現軍隊院校“向部隊靠攏，向實戰(zhàn)靠攏”的辦學宗旨。
在實際操作中，為了貼合武警部隊反恐處突場景的作戰(zhàn)實際，教師為學生布置了模式識別版塊中的圖像融合仿真實驗，給出了國際TNO組織提供的聯合國營地源圖像，源圖像取自同一場景，一幅由灰度可見光圖像傳感器獲得，另一幅由紅外圖像傳感器獲得。該實踐場景十分類似于武警部隊對潛藏在樹林中的恐怖分子進行圍捕的場景，要求研究生對現行資料中融合效果較好的6種融合方法進行仿真，記錄仿真結果并加以分析討論。
通過這一階段的訓練，研究生將書本中的理論知識與實際應用進行了有機結合，取得了良好的效果，并為日后將相應方法應用于部隊作戰(zhàn)（訓練）提供了理論基礎和支持。
3.4 考核方法
課程考核采取百分制，并綜合考慮研究生在筆試、專題討論、實踐操作3個環(huán)節(jié)中的表現，3者的比例為0.30：0.35：0.35。在考核中，教師更看重研究生在該門課程中針對實際問題的分析能力和實踐動手能力，以期學生真正理解和消化書本中的理論知識。筆試采取開卷方式進行，側重考核研究生對該門課程中的基本理論、概念、公式的掌握情況，因此，同以往的純閉卷考試相比，該考核方法靈活度更高，考核效果也更理想。在最終考核中，由于采取了更為有效的考核方式，學生只要認真參與教學活動，必然可以順利通過考試并拿到高分。如今，兩年的教學改革已經使該課程在研究生中小有名氣，從往日學員們的“黑名單”課程轉而成為“熱銷品牌”。
4 結 語
兩年的實踐結果表明，相比傳統(tǒng)的授課方式，該改革方案更符合高等院校的教學規(guī)律和實際情況，尤其是將部隊的實戰(zhàn)需求充分融入課程標準的制定過程，更加貼近了當前軍隊院校的人才培養(yǎng)需求，充分體現了軍隊院校“向部隊靠攏，向實戰(zhàn)靠攏”的辦學宗旨。
參考文獻：
[1] 岡薩雷斯. 數字圖像處理[M]. 北京: 電子工業(yè)出版社, 2014.
[2] 賈永紅. 數字圖像處理[M]. 武漢: 武漢大學出版社, 2010.
[3] 楊淑瑩, 張樺.“數字圖像處理”理論與實踐相結合教學模式[J]. 計算機教育, 2009(24): 84-86.
[4] 周海芳.“數字圖像處理”課程研討式教學[J]. 計算機教育, 2010(24): 93-97.
[5] 周耿烈, 魯逢蘭. 圖像處理技術精品課程建設[J]. 計算機教育, 2010(18): 101-104.
[6] 何楚, 馮倩, 楊芳, 等. 數字圖像處理課程實驗教學過程設計[J]. 計算機教育, 2011(18): 74-77.
[7] 沈曉晶, 王艷, 趙慧娟. 應用型院校數字圖像處理本科教學探索[J]. 計算機教育, 2012(1): 86-88.
數字圖像處理論文范文第2篇
關鍵詞：ImageJ；圖像處理；數字濾波；小波變換；算法設計
中圖分類號：TP751文獻標識碼：A文章編號：1009-3044(2011)07-1638-03
Image Processing Algorithm Design Research Based on ImageJ
ZHAO Yi-li
(Dept. of Computer, Southwest Forestry University, Kunming 650224, China)
Abstract: Proposing an image processing algorithm design program based on ImageJ software, the program can complete digital image processing algorithm design quickly and accurately, and it is a useful complement for which based on MATLAB or C/C++ language environments. Through two examples of digital filtering and wavelet transform, the paper shows the benefits of the program for the image processing algorithm design task. Meanwhile, with the ImageJ's open plug-in architecture, making the design has good modularity and scalability.
Key words: imagej; image processing; digital filtering; wavelet transform; algorithm design
1 數字圖象處理算法設計概述
在進行數字圖像處理算法仿真時，采用的方案主要有兩大類。一類是使用MathWorks公司開發(fā)的MATLAB軟件。另外一類基于C和C++語言，以及Microsoft公司的Visual Studio平臺和MFC框架。
1.1 基于MATLAB的圖像處理算法設計
由MathWorks公司開發(fā)的MATLAB[1]軟件非常適合用于處理向量和矩陣，在科學研究和產品的原型開發(fā)與設計中得到了廣泛的應用。并且被國內外許多大學采用作為線性代數和數值計算的計算機輔助教學軟件。該軟件本身提供了一種高級語言，能夠通過編程的方式解決問題。由于MATLAB附帶了一個功能完整的圖像處理工具箱[2]，因此很多研究者都基于MATLAB進行數字圖像處理算法的設計[3-5]。
采用MATLAB軟件作為原型系統(tǒng)設計具有可靠和快速的優(yōu)點，但是也存在三個缺點。第一，由于MATLAB是一個商業(yè)軟件，軟件的版權費用比較昂貴。第二，MATLAB對相應的圖像處理算法行了封裝。因此，很難有機會看到相關算法的實現代碼。第三，在MATLAB中開發(fā)的程序必須要有MATLAB的運行庫支持，脫離了MATLAB環(huán)境就無法運行。
1.2 基于C和C++語言的圖像處理算法設計
另外一類設計方案基于C和C++語言。C語言是很多圖像處理和數值分析庫的首選編程語言。但是，使用C語言需要通過指針訪問圖像數據，而且需要手動進行內存的分配和釋放。因此在使用C語言進行算法設計的時候，往往會把注意力轉移到其它和圖像處理無關的領域上面，而且C語言本身也沒有提供用戶界面接口環(huán)境。
隨著C++語言的普及，越來越多的研究者開始采用C++語言進行圖像處理算法設計。這些設計大部分都是基于Visual C++環(huán)境，并且使用MFC完成相關的用戶界面接口。由于C++語言本身的復雜性，以及MFC具有相對陡峭的學習曲線，使得這個方案開發(fā)效率不是很高。言內容。
2 基于ImageJ的圖像處理算法設計
為了能夠解決以上提到的問題，作者在進行數字圖像處理工程實踐中，采用基于Java語言編寫的ImageJ平臺的算法仿真方案。通過一些項目的實踐，取得了不錯的效果。下面對采Java語言和ImageJ平臺的原因進行闡述。
2.1 采用Java語言的原因
隨著Java語言及其平臺的日益成熟，使得Java語言[6]在多個領域都得到了廣泛的應用。選擇Java語言的原因是（1）Java語言是跨平臺的，可以使用多個操作系統(tǒng)來進行算法設計，例如Windows、Linux或者Mac OS；（2）Java語言是免費和開放的；（3）Java語言帶有網絡開發(fā)的標準庫，這使得開發(fā)基于Web的圖像處理系統(tǒng)更加方便；（4）Java語言帶有用戶界面庫AWT和Swing，可以將圖像處理算法和處理結果的可視化無縫銜接起來；（5）Java語言是面向對象的，并且支持垃圾回收和良好的異常處理機制。這樣研究者更容易把注意力集中在算法實現上面，而不是指針的操作以及內存的手動分配與回收這些與問題域無關的事物上面；（6）Java程序運行速度很快，這意味著可以得到算法運行結果的即時反饋，即實時性。
2.2 采用ImageJ的原因
ImageJ是由美國國家衛(wèi)生總局的維恩開發(fā)的一個功能強大的圖像處理和分析軟件[7]，在全世界被很多生物學家和醫(yī)學圖像處理研究者應用于生物醫(yī)學圖像處理研究[8]。由于ImageJ本身是使用Java語言編寫的，因此可以運行在任何一個安裝了Java虛擬機的操作系統(tǒng)上面。同時，在ImageJ的網站上也提供了相應的源程序和幫助文檔下載，研究者可以通過下載ImageJ的源代碼對ImageJ內部的工作機制和原理進行分析。最重要的是ImageJ的設計基于插件架構體系，可以通過編寫插件對其功能進行擴展。利用ImageJ的插件機制，可以將不同的圖像處理算法編寫為相應的插件。通過Java虛擬機和ImageJ提供的插件動態(tài)加載功能，當用戶對插件進行更改以后，直接編譯就可以在ImageJ中進行加載和運行，而無需重新啟動應用程序，即提供了所謂“熱拔插”的功能。
3 圖像處理算法設計示例
下面將通過兩個例子來說明如何基于ImageJ平臺進行數字圖像處理算法設計。通過這兩個例子可以看到ImageJ的插件機制為圖像處理算法的實現提供了一個非常好的平臺。
3.1 數字濾波
隨著數字濾波是圖像平滑和銳化算法的理論基礎[9]。論文實現了數字濾波的兩種算法，一種使用不可分離算法，另外一種使用可分離的算法。一個大小為m*n的濾波器，對于每個像素，不可分離算法的時間復雜度為O(m*n)，可分離算法的時間復雜度為O(m+n)。因此，可分離算法在模塊化和計算時間方面更有優(yōu)勢。
算法1 垂直邊緣濾波器的不可分離算法
public ImageProcessor nonseparable(ImageProcessor input) {
int w = input.getWidth();
int h = input.getHeight();
ImageProcessor output = new ImageProcessor(w, h);
double[][] block = new double[3][3];
double value = 0.0;
for (int x = 0; x < w; x++) {
for (int y = 0; y < h; y++) {
input.getNeighborhood(x, y, block);
value = (block[2][0] - block[0][0] + block[2][1] - block[0][1] + block[2][2] -block[0][2])/6.0;
output.putPixel(x, y, value);}}
return output;}
算法2 垂直邊緣濾波器的可分離算法
public ImageProcessor separable(ImageProcessor input) {
int w = input.getWidth();
int h = input.getHeight();
ImageProcessor output = new ImageProcessor(w, h);
double rowin[]= new double[w];
double rowout[] = new double[w];
for (int y = 0; y < h; y++) {
input.getRow(y, rowin);
difference(rowin, rowout);
output.putRow(y, rowout);}
double colin[]= new double[h];
double colout[] = new double[h];
for (int x = 0; x < nx; x++) {
output.getColumn(x, colin);
average(colin, colout);
output.putColumn(x, colout);}
return output;}
private void average(double in[], double out[]) {
int n = in.length;
out[0] = (2.0 * in[1] + in[0]) / 3.0;
for (int k=1; k
out[k] = (in[k-1] + in[k] + in[k+1]) / 3.0;}
out[n-1] = (2.0 * in[n-2] + in[n-1]) / 3.0;}
private void difference(double in[], double out[]) {
int n = in.length;
out[0] = 0.0;
for (int k=1; k
out[k] = (in[k+1] - in[k-1])/2.0;}
out[n-1] = 0.0;}
表1列出了ImageJ的均值濾波的測試時間，測試環(huán)境為：512 x 512的灰度圖像，JRE 1.6.0_21，Intel Core Quad/2.33GHz，4GB RAM。從表1中可以看到可分離算法相對于不可分離算法的優(yōu)勢，特別是當濾波器尺寸加大以后更加明顯。
3.2 小波變換
另外一個例子是實現可分離的二維Haar小波變換[10]。
算法3 二維Haar小波變換
public ImageProcessor analysis(ImageProcessor input, int nbScale) {
int nx = input.getWidth();
int ny = input.getHeight();
ImageProcessor output = input.duplicate();
ImageProcessor buffer;
for (int i=0; i
buffer = new ImageProcessor(nx, ny);
ouput.getSubImage(0, 0, buffer);
buffer = split(buffer);
output.putSubImage(0, 0, buffer);
nx = nx / 2;
ny = ny / 2;}
return output;}
private ImageProcessor split(ImageProcessor input) {
int nx = input.getWidth();
int ny = input.getHeight();
ImageProcessor output= new ImageProcessor(nx, ny);
double rowin[]= new double[nx];
double rowout[] = new double[nx];
for (int y=0; y
input.getRow(y, rowin);
split_1D(rowin, rowout);
output.putRow(y,rowout);}
double colin[] = new double[ny];
double colout[] = new double[ny];
for (int x=0; x
output.getColumn(x, colin);
split_1D(colin, colout);
output.putColumn(x,colout);}
return output;}
private void split_1D(double in[], double out[]) {
int n = in.length / 2;
double sqrt2 = Math.sqrt(2.0);
int k1;
for (int k=0; k
k1 = 2 * k;
out[k] = (in[k1] + in[k1+1]) / sqrt2;
out[k+n] = (in[k1] - in[k1+1]) / sqrt2;}}
圖1是基于ImageJ設計的Haar小波變換仿真的運行結果。
3 結論
論文提出的基于ImageJ軟件的數字圖像處理算法設計方案對傳統(tǒng)的基于MATLAB和C/C++語言的方案是一個非常好的補充。通過相關的兩個實例也展現了這種方案在實現數字圖象處理算法時的簡潔和快速，對于研究者設計和驗證新的圖像處理算法是一個非常好的平臺。同時由于ImageJ基于插件的架構體系設計，使得研究者可以將不同的圖像處理算法編寫為相應的插件，對其進行擴充和二次開發(fā)。
參考文獻：
[1] The MathWorks Inc. MATLAB,Natwick,MA.[CP/OL].
[2] Rafael C,Richard E,Steven L.Digital Image Processing Using MATLAB [M].[S.l]:Prentice Hall,2004.
[3] 安平,王朔中.建立在MATLAB平臺上的數字圖像處理教學實驗系統(tǒng)[J].實驗室研究與探索,2001(1).
[4] 賈永紅.現代化教學手段在數字圖像處理教學中的應用研究[J].測繪通報,2006(1).
[5] 張國琴,吳周橋.MATLAB在數字圖像處理教學中的應用[J].武漢科技學院學報,2005(10).
[6] The Java Language.[CP/OL].
[7] Image J.rsb.info.nih.gov/ij[CP/OL].
[8] Sage D,Unser M.Teaching Image-Processing Programming in Java[J].IEEE Signal Processing Magazine,2003,20(6):43-52.
數字圖像處理論文范文第3篇
論文關鍵詞：數字圖像處理,方差,均方差,衛(wèi)星圖像
遙感有著高效、快捷且不受時間空間限制的特點，被廣泛應用于農、林、地、礦、軍事等諸多領域。通過衛(wèi)星遙感技術獲得的地球表面客體或事物的衛(wèi)星遙感圖像也越來越多地應用在地球資源的調查、自然災害預測預報環(huán)境污染監(jiān)測、氣象衛(wèi)星云圖處理以及用于軍事目的的地面目標識別等各個方面。有著遙感作用的NOAA氣象衛(wèi)星的運行周期短、覆蓋面廣，目前正廣泛受到人們的關注，并作用于農業(yè)估產、林火監(jiān)測、漁況預報、城市熱島等方面。但是，NOAA衛(wèi)星圖像數據的使用效率并不高，再加上云的存在，使衛(wèi)星資料反演的各種參數出現誤差，而對于同一幅NOAA衛(wèi)星圖像中的薄云和濃云的處理目前還未見到很適用算法，所以，研究時效性的除云算法在軍事、環(huán)境、氣候、自然災害等領域有重要的意義和研究價值。
1云檢測方法
根據同一衛(wèi)星圖像，它在各個分量上的水汽、二氧化碳、一氧化碳、甲烷等氣體據有相同的屬性參數，截取目標區(qū)域圖像和該區(qū)域附近的無云樣品區(qū)域進行處理。
由于云是不穩(wěn)定因子，它隨時間和空間變化而變化，即不同季節(jié)云的反射率和亮溫不同，不同空間高度云的反射率和亮溫又有所不同。因此，要能較好地識別云區(qū)范圍就要了解它的空間和時間分布特性，并采用行之有效的方法來解決這個難題。然而鑒于不同的云相對于植被、土壤、水域等不同下墊面在可見光和近紅外波段具有較高的反射率，而在熱紅外波段由較低的亮溫，這就給我們判云帶來了有利條件。針對與所選用的熱紅外通道，我們采用了以下幾種方法進行了檢測云。
1.1單通道探測值閾值檢測
任取NOAA氣象衛(wèi)星的某一通道圖像資料，并給定一個云區(qū)灰度閾值，凡高于該閾值的像元皆為云。
1.2可見光和近紅外通道反射率閾值檢測
計算可見光和近紅外通道圖像的反射率，給定反射率閾值，凡高于該閾值的為云。
1.3紅外通道溫度閾值檢測
運用普朗克公式計算紅外通道的亮溫和溫度，設立溫度閾值，凡低于該閾值的為云。
2除云方法討論
云檢測的目的是找出云影響的測量值，回歸晴空測量值后用于計算海面溫度。云檢測是基于觀測目標自身的特性，比如，海面溫度梯度變化不大；在紅外和可見光波段中，海面較云頂有較高的溫度和低得多的反射率；海面和云頂在不同紅外窗區(qū)通道反射率上的差異等，推測出有云影響的數據。
在氣候變化中，云與輻射起著關鍵的作用，云層影響著地球的輻射收支地球表面溫度以及氣候變化趨勢。遙感圖像處理中，與覆蓋時最常見的噪聲之一，它不僅對圖像的處理帶來諸多困難。
2.1國外遙感溫度研究
從70年代開始，研究者開始嘗試從機理方面著手研究亮溫與地表溫度的關系。由于衛(wèi)星獲得的亮溫是由大氣頂層接收的輻射亮度值換算而成的，而大氣對遙感器接收地表信息的影響較大，所以早期的研究主要集中于大氣輻射校正上。到目前為止，己經研究出很多輻射校正方法，但是這些方法大部分都需要其它氣象數據的支持，比如不同高度的大氣濕度等。
大氣校正方法比較煩瑣，后來有的學者基于相鄰波段大氣吸收特性提出了一種全新的方法，直接運用兩個波段的亮溫數據去推算地表的溫度。這就是一種比較簡單有效的溫度反演方法，即分窗口技術法(Split-windowTechnology)，該方法可在少量的地表參數支持下從氣象衛(wèi)星數據反演出地表溫度。目前溫度反演研究主要集中在NOAA衛(wèi)星圖像的熱紅外波段。
2.2國內遙感溫度研究
國內在遙感地表溫度研究中主要采用的還是數理統(tǒng)計方法，此后沿襲這些研究思路和研究方法，特別是中國科學院遙感應用研究所在土壤水分方面進行了大量的研究，但是作為其中最為重要的參數之一的地表溫度的研究卻進展不大，沒有跟上國際上由數理統(tǒng)計研究取得的結果。
北京大學學者提出了一種新的改進分窗口技術方法，該方法的特色之處在于引入相鄰像元的概念。研究者給定了兩種情況下的溫度反演法，第一種情況是假設地表輻射率已知，然后運用迭代反演方法求解地表溫度。該方法模擬結果與其它共5種模型結果分析比較，精度有較大的提高。第二種情況是地表輻射率未知，來反演地表溫度與輻射率。這時采用雙通道雙像元法去求解相應的參數。通過模擬計算取得了較好的精度，在大氣廓線總水汽含量誤差小于10%時，反演的溫度均方根誤差0.7。輻射率均方根誤差0.013，地表輻射項的均方根誤差小于0.6%，己經可以滿足陸地表面溫度反演1的精度要求。
雙通道雙像元法是經典分窗口技術法的延伸，利用相鄰像元間輻射率之間的關系，在地表輻射率未知的情況下反演地表溫度是個很好的方法。但是該方法也有局限性，在大氣水汽含量誤差大于20%時，反演的溫度誤差就會顯著增加。
陸面溫度反演中分窗口技術法經過不斷改進，反演精度有所提高，但是這些改進的方法還沒有達到大面積應用階段，更不能像海溫研究那樣進入業(yè)務運行階段，因此，要達到陸面溫度反演的實用化程度，還需要繼續(xù)拓展。最近幾年遙感界出現了一個熱門的研究領域，就是多角度遙感數據反演研究，這個方法可能為組分溫度遙感提供一個新的思路。
參考文獻
1 陸玲,王蕾,桂穎.數字圖像處理[M],北京:中國電力出版社, 2007.
2 高成,董長虹,郭磊等.Matlab 圖像處理與應用(第二版)[M],北京:國防工業(yè)出版社.2006.
3 何東健,耿楠,張義寬. 數字圖像處理[M],西安電子科技大學出版社,2003.
4 陳良富,徐希儒.陸面溫度反演的新進展[J],國土資源遙感,1999,3:47-50.
數字圖像處理論文范文第4篇
關鍵詞：稀疏表示 圖像質量 幾何結構
中圖分類號：TP3 文獻標識碼：A 文章編號：1674-098X（2012）12（c）-00-01
1993年Mallat和Zhang提出了信號的稀疏表示，在信號逼近上取得了出色的表現，迅速引起了廣大學者的普遍關注，信號稀疏表示研究很快被從一維信號推廣到二維信號圖像的研究上。
稀疏表示的模型可以表示為：
式中為向量的l0范數，表示向量x中非零元素的個數，x即為信號y的稀疏表示。
在數字圖像處理中，由于圖像的數據信息具有冗余性，為冗余字典，因此可以在冗余字典上進行稀疏表示，y則為圖像子塊的列向量表示。如何構造表達能力強、訓練簡單的冗余字典是圖像處理中的關鍵一步，自稀疏表示理論的提出，在圖像去噪、去模糊、超分辨率、圖像修復等方面得到了廣泛的應用，取得了比傳統(tǒng)方法更好的處理結果。
1 稀疏表示理論在提高數字圖像質量中的應用
Michael Elad是較早將稀疏表示理論應用于圖像去噪與超分辨率的代表人物[1]，他將K均值聚類方法引入字典訓練過程中。在K均值算法中，求解一個包括K個代碼的碼本，使得在此碼本上，根據最鄰近分配法則，對包含N個信號的集合進行分類，得到最佳分類。在稀疏表示中，稀疏表示的過程可以看做廣義矢量量化過程，其中的每個信號用多個代碼的線性組合表示。當要求K-SVD中的每個信號只能用一個原子來近似時，K-SVD算法就退化為K均值算法。K-SVD在稀疏編碼與字典更新之間交替迭代，保證總誤差單調下降，因此可保證能收斂到局部（或全局）最小值，從而得到性能優(yōu)良的過完備字典。K-SVD訓練字典方法廣泛的應用在圖像復原問題上。基于K-SVD訓練得到的過完備字典，取得了較好的圖像去噪與超分辨率結果。
統(tǒng)計學中的主成分分析（PCA）的概念，也被引入到字典訓練當中。在統(tǒng)計學當中，變量個數太多會增加問題的復雜性主成分分析作為一種統(tǒng)計分析方法，它可以從多元事物中解析出主要影響因素，簡化復雜問題。PCA的核心思想，就是將高維數據投影到低維空間。尋找 r 個新變量，使其反映事物的主要特征，每個新變量是原有變量的線性組合，體現原有變量的綜合效果，則這 r 個新變量稱之為“主成分”，它們兩兩正交不相關。這 r 個主成分可以在很大程度上反映原來變量的信息。Hui Zou引入了SPCA（Sparse PCA）的概念，他修改了傳統(tǒng)的PCA方法，利用主成分負載的稀疏性，使算法變得更加易懂，且得到更為稀疏的結果。
形態(tài)學成分分析（MCA）作為一種新興的信號分解方法，吸引了很多人的注意。MCA根據圖像信號組成成分的形態(tài)差異性，將圖像內容分割為紋理區(qū)域和卡通區(qū)域。不同區(qū)域其擬合字典類型不同。小波變換可以很好的表示圖像光滑區(qū)域的特征，curvelet變換通過帶方向的局部傅里葉基，可以有效的處理邊緣特征。離散余弦變換（DCT）以及Gabor變換是紋理區(qū)經常采用的兩種處理方式。MCA充分的考慮了圖像的結構組成部分以及內部特征，廣泛用于盲源分離、圖像分解、圖像修補等。
Julien Mairal將自然圖像的自相似性引入到圖像恢復模型中。圖像的自相似性，其根本是自然圖像的統(tǒng)計特征。Julien Mairal非局部模型與稀疏編碼結合成一個框架，將噪聲在相似塊之間進行平均，取得了較好的去噪、去馬賽克結果。同樣，自相似性在圖像去模糊、圖像修補方面也展示了其良好的性能。
Weisheng Dong提出了一種新的圖像復原模型CSR，利用減小退化圖像分解系數與原圖分解系數之間的差異來達到復原圖像的目的，其本質是自相似性的應用。在超分辨率方面，他提出了自適應稀疏域選擇超分辨率算法，認為超分辨率重建結果的優(yōu)劣很大部分取決于稀疏域的選擇，對輸入的樣本先采用K-均值聚類，采用PCA算法進行詞典訓練，將非局部相似性（NL）和圖像去噪中的自回歸（AR）模型與超分辨率重建模型有效結合，提高了超分辨率重建質量。
Nebojsa創(chuàng)造性的提出了圖像摘要的概念。他將圖像的特征提取為一幅摘要圖，在圖像處理過程中，對該摘要圖進行分解處理，這是合理并且有效的。Louise 利用該思想，在圖像去噪方面取得了較好的去噪結果。
Kostadin在變換域，通過一組協(xié)作濾波器，將一幅圖像中結構相似的二位塊聚合成一組，形成一個三維模型，以增強其表示的稀疏性。Aram利用該3D理論，建立了一個新的圖像模型―BM3D。BM3D在圖像復原方面表現了其卓越的性能。
最近，保持圖像幾何結構的思想吸引了很多人的注意。Samy Bengio將圖像分割成相互重疊的塊，結構相似的塊組成一個群組，分別對每個組進行分解訓練，這就是群組編碼的思想，其基本思想類似于非局部思想，也是利用了自然圖像的自相似性。關于結構稀疏方面的研究展示了結構分組比簡單不重疊的分組更一般的特性。例如，樹狀分組或是重疊分組。結構稀疏正則化具有十分廣闊的應用前景。結構稀疏PCA作為一種新型的有效的非凸稀疏方法，在字典訓練方面，可以取得較為理想的結果。
縱觀稀疏表示理論出現以后的圖像處理論文，廣大研究者著重于研究如何獲得表示能力強的冗余字典，以及通過結合多重約束，如平滑約束，相似性約束，幾何結構不變性約束等來得到高質量的圖像，近年來取得了很大的進展。但是稀疏表示屬于一種優(yōu)化問題，涉及到字典學習和稀疏求解的計算過程比較復雜，因而對于該理論在圖像的實時處理上受到了限制，因此如何縮短計算時間也是這個模型急需解決的問題。
2 結語
該文介紹了稀疏表示模型，重點對其在提高數字圖像質量方面的應用進行了綜述，最后指出稀疏表示模型在圖像處理中要實用化必須縮短計算時間。
數字圖像處理論文范文第5篇
摘要：本文主要介紹了基于結構光雙目立體視覺技術的焊縫識別與測量的處理方法，實現了焊縫圖像識別與測量的自動化。通過對已有算法的組合設計出了一套相應的算法處理流程。重點研究了焊縫圖像預處理以及特征提取部分。在焊縫圖像預處理部分，采取中值濾波和灰度最大化對圖像進行簡要處理，并且結合后續(xù)處理步驟對灰度最大化算法進行了一些改變，即只在焊縫邊緣附近進行灰度最大化。在特征提取部分，分別介紹了兩種不同中心線提取的方法和基于最遠距離的特征點提取方法。在以上工作的基礎上，運用HALCON進行編程并且開發(fā)出一個MFC簡單操作界面，將所有程序模塊進行集成。實驗部分首先驗證了該視覺系統(tǒng)的有效性、穩(wěn)定性和精度，同時為了更加真實的模擬現實情況，我們還進行了強光干擾實驗，并且對實驗數據進行分析，提出了一些改進措施。
關鍵詞焊縫視覺識別測量，圖像處理，特征提取，HALCON，干擾實驗
Visual Recognition and Measurement of Weld Seam
Abstract: A vision processing method to identify and measure the weld seam based on structured light binocular stereo vision technology is described in this paper and we automated image recognition and measurement of weld seam. We design a corresponding algorithm processing by a combination of existing algorithms. This paper focuses on the pre-processing and feature extraction section of weld seam image. In image pre-processing part, we use the methods of median filtering and grayscale maximizing to process image briefly, and we change the grayscale maximizing method based on subsequent processing steps, that is, only use it near the edge of the weld seam. In the feature extraction part, we introduce two different methods to extract the centerline and the method of feature point extraction based on the distance. Based on the above work, we program with HALCON and develop a simple user interface of MFC, and then all program modules are integrated. In the experimental section, the validity，stability and accuracy of the visual system are verified, and at the same time, we also conduct a light interference experiments for a more realistic simulation of the actual situation. Finally we analyze the experimental data and make some improvements.
Keywords:Visual measurement and recognition of weld seam, image processing, feature extraction, HALCON, interference experiment
1 緒論
視覺識別與測量以計算機視覺技術為基礎，涉及光學、光電子學、信號處理、圖像處理等一系列學科。其快速發(fā)展使得這一技術已經從實驗室研究開始慢慢走向實際生產，具有廣泛的應用前景，逐漸受到各類研究人員的重視，已成為生產過程中的關鍵技術之一。鑒于焊接技術的發(fā)展現狀以及焊接過程中各種因素的影響，焊接之后焊縫尚無法達到很高的質量，焊縫的后續(xù)處理短期內無法避免。要獲得質量較高的焊縫就需要進行后期的焊縫磨拋，而人工打磨費時費力，勞動強度大，還不能保證打磨質量。因此研究焊縫視覺識別與測量對磨拋過程實現智能化和自動化是一項非常有意義的工作。本論文旨在通過組合設計一套焊縫圖像的識別與測量的算法流程，并且進行編程實現，同時通過實驗進行驗證以及改進。
2 視覺算法
首先介紹一下雙目立體視覺技術，雙目立體視覺技術基于視差原理，兩攝像機同時記錄下空間某一物體的同一特征點，分別獲得點P的圖像。由P在圖像上所處的位置通過一些換算可以求得P在左右攝像機坐標系下的，然后通過坐標的旋轉與平移可以得到P點的三維坐標。為了便于理論分析及計算，對實際情況情況進行適當轉化做出其原理圖，如圖2.1所示。
圖2.1 雙目視覺技術原理圖
上述雙目立體視覺原理在本論文中很多地方都有運用，包括CCD標定原點獲取以及三維測量，在后續(xù)不再介紹。
獲取焊縫的圖像之后，由于采集現場的各種干擾，在對圖像進行特征提取之前需要采取相應的措施降低圖像的各種干擾，增強圖像的對比度，在不破壞圖像保存的原有信息的前提下使焊縫更加便于后續(xù)的處理。此處重點介紹中值濾波去噪、灰度最大化等過程，這些對于后期焊縫輪廓以及特征點的提取有較大的影響，直至影響最終的測量結果。
中值濾波通常用于去除圖像中的噪聲以及毛刺，它是一種基于排序統(tǒng)計理論非線性信號處理技術，其基本思路是將待處理數字圖像中某一點的灰度值用該點附近鄰域中各點灰度值的中值來代替，從而消除孤立的噪聲點。處理效果如下圖2.2所示。
圖2.2 中值濾波后焊縫圖像對比
灰度最大化處理指的是將原圖像的灰度值范圍擴大到0至255，一般對整體偏暗或者偏亮的圖像處理效果明顯。在對采集到的焊縫圖像進行觀察過之后，我們可以發(fā)現由于激光的能量是比較強的，其亮度一般較大，而背景處很暗，正常的灰度最大化處理效果不明顯。在本課題中，我們只關注某一灰度范圍內的灰度值，即焊縫邊緣處附近的灰度。此處對邊緣灰度最大化稍加改變，使得其只作用在焊縫邊緣處，而背景和焊縫中心處的灰度被設置為0或者255。不僅使圖像對比更明顯而且達到了二值化的效果，剔除了一些不必要的干擾。處理效果如圖2.3。
圖2.3 經灰度最大化處理后焊縫圖像對比
在提取出焊縫的輪廓之后，可以將焊縫上下兩條輪廓的行坐標相加取平均值，列坐標不變得到焊縫中心線，如圖2.4所示。也可以由HALCON中自帶的算子直接提取焊縫中心線，它提取中心線是在輪廓曲線法方向上進行的。如圖2.5所示。
圖2.4 輪廓平均值方法求得的焊縫中心線
圖2.5 直接求得的焊縫中心線
在得到焊縫中心線之后，我們就需要在中心線上找出關鍵點，用于計算焊縫的參數。如圖2.6所示，B、C、D三點為關鍵點，可以通過坐標旋轉進行提取。以C點為例，連接AE并且將中心線繞A旋轉至AE水平找到曲線上行坐標的最大值，該最大值處所對應的點的坐標就是特征點C。同理可以找到B點和D點。找到左右目圖像的特征點之后可以還原他們在世界坐標中的三維坐標，從而可以計算出焊縫的相關參數。
圖2.6 焊縫特征點提取示意圖
3 焊縫視覺軟件開發(fā)
程序框架如下圖3.1所示，第一步在HALCON中編寫各個模塊的組成程序，如二值化、中值濾波、邊緣提取等等，然后在HALCON 中將其組合，使其能實現某一功能，比如圖像增強、特征提取等等，在這之后我們將HALCON程序轉存為VC程序，并且建立起對應的程序工程，使其可以實現獨立的功能。最后編寫MFC界面，在每個按鈕對應的位置添加相應的響應函數調用之前的各個功能模塊，將所有程序集合在一起，通過界面響應外界的操作。集成之后的軟件如圖3.2所示。
圖3.1 程序總體框架
圖3.7 MFC主要界面
4實驗分析及研究
在測得實際數據（如圖4.3）之后，我們使用視覺系統(tǒng)對相同的焊縫段進行測量，通過比較實測數據和視覺測量數據來驗證算法的有效性。為避免實驗的偶然性，我們采用視覺系統(tǒng)對劃定好的焊縫重復測量三次，另一方面還能驗證該套視覺處理系統(tǒng)的重復穩(wěn)定性，即對同一段焊縫在完全相同的條件測量多次觀察每次測量的數據是否一致。實驗所得數據如下圖4.2所示。
圖4.1 視覺測量與實測焊縫余高對比圖 4.2 視覺測量與實測焊縫余高對比綜合圖
由圖4.1易知，視覺測得數據與實測數據之間并沒有特別大的差距，其變化趨勢也基本一致，這說明該視覺系統(tǒng)具有一定的可用性。從實驗平均值來看，實測平均值為1.8923mm視覺測量平均值為1.8057mm，誤差大概為5%。從圖4.2可以看出，使用視覺測量時，三次測量結果之間沒有明顯差異，數據幾乎一致，只存在很小的差別，考慮到現實測量過程中存在各種各樣的隨機誤差，這些差異應該是被允許的。
圖4.3 焊縫實測數據圖 4.4 強光干擾下視覺系統(tǒng)所測數據與實際數據對比
在實際生產現場往往有可能出現強光干擾，這對于圖像采集而言影響特別大，會使采集到的圖像嚴重失真，存在很嚴重的噪點，嚴重時可能無法提取像素的有用信息，使得圖像失去其意義，如圖4.5右半部分。為防止這種情況出現，我們進行相應的強光干擾實驗，并且提出相應的解決措施。在實驗之前我們先采集在手電筒光照下的圖片，觀察發(fā)現干擾較強時，圖片質量很低，幾乎不能獲得什么有用信息，如圖4.4右目圖像所示。為解決這一問題，我們使用了窄帶濾波片，濾除不必要的干擾光，只讓激光器的光所對應的頻率光通過攝像機鏡頭。其后獲得的圖像對比如圖：
圖4.4 強光干擾下加濾光片前后采集圖片對比圖
由上圖可以明顯看出，加上濾光片之后采集到的圖片質量有很大改善，右邊圖像明顯無法進行利用，而左目圖像則可以進行處理。在加濾光片的條件下，我們使用LED手電筒做干擾光源，在焊縫上方一米處垂直照射焊縫模擬強光煩擾情況，并且持續(xù)到所有焊縫圖片采集結束。重復進行了三組實驗，用來研究強光 干擾下系統(tǒng)的性能。此處給出其中一組數據如圖4.4。強光干擾下測得實驗數據如上圖綠線所示，其平均值為1.7953mm，與之前視覺所測的數據相差不大，與實測數據的差距也沒多大變化。可以看出在加上濾光片的前提下，強光對該系統(tǒng)測量性能影響不大。
5 結論
通過對已有算法的組合，設計出一套從焊縫圖像預處理到特征提取，最后獲得焊縫具體參數的算法流程。在軟件方面，用HALCON對各個圖像處理模塊進行了編程，在VC環(huán)境中配置了HALCON函數庫，并且制作了MFC界面使各個程序模塊能夠在該界面下集成。在上述工作基礎上，進行了算法有效性和穩(wěn)定性試驗以及強光干擾試驗，對實驗數據進行了處理并且進行了一些改進。
參考文獻
[1] Carsten Steger，Markus UlrichChristian，Wiedemann.Machine Vision Algorithms and Application. 北京：清華大學出版社，2008.
[2] 何斌等. Visual C++數字圖像處理.北京市：人民郵電出版社，2002
[3] 張宏林.精通Visual C++數字圖像處理典型算法及實現.北京市：人民郵電出版社，2008
